Hark، جس کے پاس 700 ملین ڈالر کی سیریز اے (Series A) فنڈنگ ہے، ایک تیزی سے بڑھتا ہوا اسٹارٹ اپ ہے، جس نے باضابطہ طور پر "Handoff" کا پری ویو پیش کیا ہے۔ یہ ایک ذہین ایجنٹ ہے جسے بالکل انسانوں کی طرح ویب پر نیویگیٹ کرنے کے لیے ڈیزائن کیا گیا ہے۔ محض متن کی تخلیق سے آگے بڑھتے ہوئے، Handoff کا مقصد ان ویب سائٹس پر پیچیدہ ورک فلو کو خودکار بنانا ہے جن میں آفیشل API سپورٹ موجود نہیں ہے۔

APIs کے بغیر ویب پر نیویگیشن

آٹومیشن میں سب سے بڑی رکاوٹوں میں سے ایک منظم APIs پر انحصار ہے۔ Hark کا Handoff ایجنٹ ویب سائٹ کے بنیادی ڈھانچے اور بصری ڈیٹا (visual data) دونوں کا تجزیہ کر کے انٹرفیس کے ساتھ تعامل کرنے کے ذریعے اس حد کو ختم کرتا ہے۔ یہ ایجنٹ کو Target، Walmart، OpenTable اور LinkedIn جیسے زیادہ ٹریفک والے، غیر-API پلیٹ فارمز پر آسانی سے نیویگیٹ کرنے کی اجازت دیتا ہے۔

یہ ایجنٹ بصری اشاروں (visual cues) کو سمجھ کر کام کرتا ہے تاکہ یہ تعین کیا جا سکے کہ کب بٹن دبانا ہے، اسکرول کرنا ہے، یا متن درج کرنا ہے۔ ایک حالیہ مظاہرے میں، CEO Brett Adcock نے ایجنٹ کی پیچیدہ اور "fuzzy" لاجک کو سنبھالنے کی صلاحیت کا مظاہرہ کیا—جیسے کہ ایک کسٹم پھولوں کا گلدستہ بنانا جہاں صارف "فلورسٹ کی پسند کے کچھ پھول" کا انتخاب کرتا ہے۔ یہ صلاحیت مفہومی سمجھ (semantic understanding) کی ایک ایسی سطح کی نشاندہی کرتی ہے جو محض حکم کی تعمیل سے کہیں آگے ہے، جس سے انسان اور ایجنٹ کے درمیان زیادہ قدرتی تعامل ممکن ہوتا ہے۔

Next-Token سے Next-Action Prediction کی طرف منتقلی

تکنیکی طور پر، Hark روایتی Large Language Model (LLM) کے تصور سے ہٹ کر کام کر رہا ہے۔ جہاں روایتی LLMs متن کے سلسلے میں اگلے ٹوکن (token) کی پیش گوئی کرنے کے لیے موزوں ہوتے ہیں، وہیں Hark کا ماڈل "next action" کی پیش گوئی کرنے کے لیے تیار کیا گیا ہے۔ اس کا مطلب ہے کہ ماڈل خاص طور پر اگلے جسمانی یا ڈیجیٹل تعامل کا حساب لگاتا ہے، جیسے کہ کی بورڈ کا کوئی مخصوص ان پٹ یا اسکرین پر کسی درست مقام پر ماؤس کا کلک۔

ترقی کی رفتار تیز کرنے کے لیے، Hark فی الحال ایک post-trained ماڈل کا استعمال کر رہا ہے۔ یہ حکمت عملی کمپنی کو اس سال کے آخر میں طے شدہ مکمل pre-training مرحلے کی طرف بڑھنے سے پہلے اپنے تربیتی ڈھانچے (training infrastructure)، ڈیٹا پائپ لائنز اور خصوصی تکنیکوں کو تیزی سے بہتر بنانے کی اجازت دیتی ہے۔ یہ تکراری طریقہ کار ایجنٹ کو رفتار اور لاگت کی بچت کے لیے موزوں بنانے کے لیے ڈیزائن کیا گیا ہے۔

کمپیوٹر استعمال کرنے والے ایجنٹس کا مسابقتی منظرنامہ

Hark ایک پرہجوم اور انتہائی مسابقتی میدان میں داخل ہو رہا ہے۔ "computer-use" کی برتری کی دوڑ میں Google، OpenAI اور Anthropic جیسے ٹیکنالوجی کے بڑے نام شامل ہیں، ساتھ ہی Browser Use، Polar، Strawberry اور Aside جیسے خصوصی طور پر VC فنڈڈ اسٹارٹ اپس بھی شامل ہیں۔

Hark خود کو ایک انقلابی متبادل کے طور پر پیش کر رہا ہے، جس کا دعویٰ ہے کہ اس کی رفتار بہتر ہے اور GPT 5.5 یا Opus 4.8 جیسے بھاری بھرکم ماڈلز کے مقابلے میں اس کے آپریشنل اخراجات نمایاں طور پر کم ہیں۔ ایک عام مقصد کے متن والے ماڈل کے بجائے ایک خصوصی action-oriented ڈھانچے پر توجہ مرکوز کر کے، Hark زیادہ تعدد (high-frequency) اور کم لاگت والی براؤزر آٹومیشن کی مارکیٹ پر قبضہ کرنے کی کوشش کر رہا ہے۔

کمپنی نے اپنے پلیٹ فارم کے لیے ویٹ لسٹ (waitlist) کھول دی ہے اور اس کا ارادہ موسم گرما کے اختتام تک مکمل سروس لانچ کرنے کا ہے۔ ڈویلپرز اور بانیوں کے لیے، Handoff کی کامیابی "Action Models" کی طرف منتقلی کا اشارہ ہو سکتی ہے جو محض گفتگو کے بجائے کام کی تکمیل کو ترجیح دیتے ہیں۔

اہم نکات

  • Action-Oriented Architecture: روایتی LLMs کے برعکس جو ٹیکسٹ ٹوکنز کی پیش گوئی کرتے ہیں، Hark کا ماڈل کلکس اور کی اسٹروکس جیسے مخصوص صارف کے اعمال کی پیش گوئی کرتا ہے۔
  • API-Less Automation: Handoff ایجنٹ بصری اور ساختی ڈیٹا کا استعمال کرتے ہوئے Walmart اور LinkedIn جیسی ویب سائٹس پر نیویگیٹ کرتا ہے جو آفیشل APIs فراہم نہیں کرتیں۔
  • Cost and Speed Focus: Hark کا مقصد GPT 5.5 جیسے بڑے ماڈلز کی قیمتوں اور لیٹنسی (latency) کو کم کرنا ہے، تاکہ موثر اور بڑے پیمانے پر براؤزر ٹاسک آٹومیشن کو نشانہ بنایا جا سکے۔

کن چیزوں پر نظر رکھنی چاہیے

  • Launch timeline – Hark نے ویٹ لسٹ کھول دی ہے اور موسم گرما کے اختتام تک مکمل ریلیز کا منصوبہ بنایا ہے۔
  • Model evolution – Hark ایک post-trained ماڈل سے مکمل pre-training مرحلے کی طرف بڑھ رہا ہے جو اس سال کے آخر میں طے شدہ ہے۔